Compare

How Dagu compares to other workflow engines

Dagu is a single self-hosted binary that runs declarative YAML with no database. Here is an honest look at how it compares to other orchestrators and automation tools.

Moteur de workflow en binaire unique

Exécutez des workflows de production sans adopter une plateforme lourde.

Dagu transforme scripts shell, conteneurs, tâches SSH, appels HTTP et CLI d'agents en workflows YAML avec retries, logs, files d'attente et Web UI.

DaguvsPiles à broker

Un seul graphe de workflow. Des workers sur toutes les plateformes.

Le mode distribué de Dagu, c'est le même binaire unique dans deux rôles : un coordinateur qui distribue le travail et des workers qui viennent le chercher. Lancez dagu worker sous Linux, macOS ou Windows, décrivez la machine avec des labels, puis routez des DAG entiers ou des étapes individuelles avec worker_selector. Les workers se connectent vers l'extérieur en gRPC sécurisé par TLS mutuel : pas de broker, pas de base partagée, pas de port entrant côté worker.

Orchestrez des étapes Agent Harness et des workflows opérés par MCP.

Dagu donne au travail assisté par IA une frontière de production: exécuter des étapes Agent Harness avec harness.run, laisser les outils compatibles MCP opérer Dagu via le serveur MCP intégré, et conserver logs, retries, approbations et historique d'audit au même endroit.

DaguvsFramework d'agents

Lancez plusieurs agents. Laissez un Agent DAG décider de l'ordre.

Certains travaux ont un ordre impossible à écrire à l'avance. Posez type: agent, déclarez ce qui doit être vrai à la fin du run, et Dagu laisse un modèle choisir l'étape d'agent suivante au fil des retours. Chaque action reste une étape de workflow ordinaire, avec logs, retries, approbations et historique d'audit.

DaguvsLangGraph

Un runtime pour workflows d'agents, pas une bibliothèque dans votre application.

LangGraph est une bonne façon d'exprimer un graphe d'agents en code. Dagu est la couche qui l'exécute : un binaire auto-hébergé unique où un workflow est du YAML, où les agents sont des étapes ordinaires, et où planifications, files, retries, pauses durables et historique viennent du moteur plutôt que de l'application écrite autour.

Gardez la simplicité de cron et ajoutez les contrôles qu'exige la production.

Dagu garde les plannings proches de vos scripts tout en ajoutant graphe de dépendances, retries, logs, historique, relances manuelles et Web UI.

Quand Airflow est trop lourd, gardez l'orchestration proche du système.

Dagu est pensé pour les équipes qui veulent planning, retries, dépendances, logs et UI sans adopter un framework Python DAG ni opérer une lourde stack de métadonnées.

Une alternative à n8n code-first pour développeurs.

Dagu est une alternative à n8n auto-hébergée pour les équipes qui préfèrent définir leur automatisation en YAML versionné plutôt que de l'assembler sur un canvas visuel, avec plannings, retries, logs et Web UI dans un binaire unique.

DaguvsPlanificateur de tâches Windows

Le Planificateur de tâches exécute des commandes. Il ne fournit pas un ordonnancement exploitable.

Dagu s'installe comme service Windows et comble ce qui a toujours manqué au Planificateur de tâches : dépendances entre jobs, reprises, journaux par étape, historique d'exécution et une seule console navigateur pour tous les serveurs au lieu d'une session RDP par machine.

DaguvsRundeck

L'automatisation des runbooks sans JVM, sans base de données SQL, sans jobs créés dans une console graphique.

Dagu est une alternative à Rundeck pour les équipes d'exploitation qui veulent des jobs planifiés, des runbooks à la demande et une Web UI dans un seul petit binaire. Les définitions de jobs vivent dans Git sous forme de YAML plutôt que derrière une console, l'état vit dans des fichiers plutôt que dans MySQL ou Postgres, et les serveurs existants sont atteints via SSH ou avec des workers étiquetés. Cette page couvre aussi le chemin de migration et les endroits où Rundeck reste le meilleur choix.

DaguvsPrefect

Quand vous voulez de l'orchestration sans écrire de Python, regardez Dagu.

Prefect est un framework Python pour les équipes data qui écrivent leurs flows en code. Dagu est un binaire unique qui exécute du YAML déclaratif appelant les commandes que vous avez déjà, sans base de données à opérer. Cette page compare honnêtement où chacun convient.

DaguvsDagster

Dagu et Dagster résolvent des problèmes différents.

Dagster est un orchestrateur de données Python bâti autour des software-defined assets et de la lineage. Dagu est un binaire unique qui exécute des workflows YAML appelant les commandes que vous avez déjà. Cette page explique où chacun convient.

DaguvsTemporal

Dagu et Temporal résolvent des problèmes différents.

Temporal est un moteur de durable execution pour des workflows applicatifs avec état écrits en code. Dagu est un binaire unique qui planifie et orchestre les commandes que vous lancez déjà. Cette page explique où chacun convient.

DaguvsWindmill

Dagu vs Windmill : YAML déclaratif face à une plateforme de scripts et d'apps.

Les deux tournent en self-hosted et sont rapides. Windmill transforme des scripts en workflows, webhooks et apps low-code et utilise PostgreSQL. Dagu est un seul binaire qui exécute vos commandes via du YAML déclaratif, sans base à exploiter.

DaguvsArgo Workflows

Argo Workflows vit sur Kubernetes. Dagu tourne sur une machine ordinaire.

Les deux définissent des DAG et exécutent les étapes dans l'ordre. Argo Workflows est intégré à Kubernetes et planifie chaque étape comme un pod. Dagu est un binaire unique qui appelle les commandes que vous avez déjà, sans cluster à opérer.

DaguvsKestra

Dagu vs Kestra : même idée YAML, empreinte très différente.

Dagu et Kestra décrivent les workflows de façon déclarative en YAML, donc le vrai choix porte sur le runtime et les dépendances. Dagu est un binaire unique autonome qui appelle les commandes que vous avez déjà. Kestra tourne sur la JVM, avec une database derrière et un grand catalogue de plugins par-dessus.